Nijat Hasanli, Head of Product at Lindus Health – Intervieuserie

Nijat Hasanli, Head of Product at Lindus Health, har en fokuseret track record i opbygning og skaleringsproduktfunktioner på tværs af sundheds- og teknologidrevne organisationer, hvor han i øjeblikket leder produktstrategi og -gennemførelse hos Lindus siden 2022 efter tidligere at have været ansat hos OneCommerce og Downforce Technologies. Hans erfaring spænder over multiple produktmiljøer i Storbritannien, hvor han har været ansvarlig for at tilpasse produktudvikling til forretningsresultater, drive innovation og omsætte komplekse tekniske evner til skalerbare, brugerfokuserede løsninger inden for hurtigt bevægelige brancher.

Lindus Health er et AI-drevet klinisk prøveselskab, der fungerer som et “ansvarligt forskningsorgan”, designet til at give biotek- og lægemiddelfirmaer større kontrol, hastighed og pålidelighed i løbende kliniske studier. Selskabet erstatter traditionelle kontraktforskningsmodeller med en fuldt integreret, teknologi-først-platform, der håndterer alt fra prøvedesign og patientrekruttering til datafangst og gennemførelse inden for ét system, ofte afsluttende studier betydeligt hurtigere end branchenormer. Dets proprietære AI-naturlige operativsystem giver realtids indsigt i prøveperformance, tilpasser incitamenter gennem milepælsbaseret prissætning og udnytter storstile sundhedsdata til at forbedre rekruttering og resultater, med det bredere mål at accelerere leveringen af nye behandlinger til patienter.

Kan du dele en definerende øjeblik eller tidlig udfordring, der hjalp med at forme Lindus Healths mission eller produktretning?

I kliniske studier er innovation ofte forbundet med skala: store organisationer, betydelig kapital og etableret infrastruktur. Men vores definerende tidlige øjeblik lærte os det modsatte.

Da vi løb vores første prøve, var vi bevidste om at holde det simpelt – noget, vi vidste, vi kunne gennemføre sikkert med vores teknologi. Denne begrænsning tvang os til at simplificere prøvedesignet og stole på systemer, vi fuldt ud kontrollerede, hvilket gjorde afhængigheder og ineffektiviteter mere synlige. Store, højkomplekse software-stacks er ikke nødvendige for at innovere i prøvelevering. Innovation i prøvelevering afhænger af ejerskab af den fulde prøve, start til slut, med en samlet datapipeline, der forbinder det hele. Denne indsigt giver mulighed for at se, hvordan alt hænger sammen, hvilket afslører muligheder, der er svære at identificere i fragmenterede driftsmodeller.

Hvordan strømliner din AI-drevne platform den kliniske prøveproces i forhold til traditionelle modeller?

Vi positionerer dette ikke som en AI-drevet platform. Citrus^TM er et AI-naturligt prøveoperativsystem. Vi tager en distribueret tilgang til AI-anvendelse – i stedet for at satse stort på AI i ét domæne tapper vi vores ingeniørhold til at finde pålidelige, kontekstspecifikke anvendelser på tværs af vores systemer. Det, der gør dette arbejde, er, at vi løber prøver med fuld omfangsgennemførelse. Når AI fremskynder protokolfortolkning, flyder denne effektivitet ind i studiedesign. Når studiedesign er hurtigere, arver datateamet en renere opsætning. Disse inkrementelle forbedringer akkumulerer, fordi hver fase producerer mere strukturerede outputs og reducerer efterfølgende omgørelse.

To eksempler illustrerer dette: Vi bruger AI til at generere dataanalysekode, hvor vi har klare mekanismer til at gennemgå outputtet, før det rører noget. Vi bruger også AI til at fortolke protokoldokumenter til vores studiedesignschematik – betydelige effektivitetsgevinster på denne første transformation, men bygningen går alligevel igennem uger med gennemgang og accepttest.

Vi anvender ikke AI i kliniske pleje-workflows. Vi føler en ansvarlighed for at sikre, at vores anvendelser ikke udgør nogen risiko for skade på patienter i vores prøver, fordi den infrastruktur, der kræves for at understøtte passende sikkerhedsforanstaltninger, stadig er under udvikling. Dette undgår de regulerings- og sikkerhedsrisici, der er forbundet med AI i kliniske pleje-workflows. Vores andre anvendelser står over for samme skærping som enhver AI i denne industri – men fundamentalt tilbyder de rigelig tid til menneskelig gennemgang. Klinisk pleje er en anden risikoprofil: øjeblikkelige beslutninger, hvor fejl kan have direkte indvirkning på patientens sikkerhed.

Den primære effekt er på klinisk forskningsteams effektivitet. Meget af vores strømlining tjener klinisk forskningsteam direkte – effektiviteter, der akkumulerer. Hver uge, vi skærer af prøvegennemførelse, er en uge tættere på at afslutte lægemiddeludviklingscyklen, hvilket kan reducere den samlede tidsramme i lægemiddeludviklingsprocessen. Og ud over tidsgevinster gør vores AI-anvendelser mere end blot at forudsige rekruttering. De overvåger indkommende data for anomalier, sikkerhedssignaler og risikoindikatorer – giver studieteamet en klarere indsigt i at overvåge prøver effektivt.

I traditionelle modeller anvendes AI typisk som en punktløsning – ét værktøj til én funktion, isoleret fra resten af processen. Vores slut til slut-model låser effektivitetsgevinster igennem hele prøven, hvor hver forbedring bygger på den foregående. Det afspejler forskellen på at optimere enkelte funktioner og forbedre præstationer på tværs af den fulde prøvegennemførelse.

Tufts-studiet fremhæver, at næsten en tredjedel af kliniske prøvedata er ikke-essentiel. Hvordan bruger Lindus Health AI til at identificere og eliminere unødvendig dataindsamling?

Det, Tufts-studiet beskriver, er noget, vi har set førstehånds. I vores erfaring er årsagen strukturel: Når prøvegennemførelse er fragmenteret på tværs af hold, er hvert hold incentiviseret til at dække alle deres basisområder. Dette adfærd er en strukturel respons på fragmenteret ansvarlighed. Fra vendor-kontrakter til dataindsamling-instrumenter tilføjes hver aflevering endnu en lag af forsigtighed.

Inden du når personen, der designer cases rapportformularen, er de ofte langt fjernere fra den oprindelige forskningsspørgsmål. Undersøgeren måske spørger: “Hvordan ændrede vægten sig over tre måneder med denne behandling?” Men instrumentdesigneren fokuserer på operationelle bekymringer – stedbetalingstrigger, overholdelsescheckbokse, revisionsloggkrav. Begge perspektiver er gyldige og nødvendige. Problemet er, at disse funktioner opererer uden fælles kontekst. De operationelle scaffoldingsværker vokser, og forskningsspørgsmålet begraves.

Der er også et enklere lag at adressere, før tekniske løsninger. Vores forskningsteams har allerede adgang til AI-chatværktøjer, og de bruger dem konstant. Når hold modtager dusinvis af protokoldokumenter og PDF’er hver uge, kan de indsætte dem i AI-assisterede værktøjer og stille spørgsmål om, hvordan de engagerer sig med det materiale. Dette hjælper holdene med at blive tættere på forskningsspørgsmålet i stedet for at gå tabt i operationelle detaljer.

Først, prøvedesign. At have AI-værktøjer integreret på tværs af design- og byggeprocessen låser muligheder op for at fange disse problemer tidligt – før de bliver låst i protokollen. Vi bruger AI til at generere raffinerede studieplaner og guide-designere gennem protokollen, flagging, hvor forskningsplanen bliver for kompliceret, hvor der er duplication, eller hvor fejl er snuppet ind. Fra der kan designeren træffe en informeret beslutning om at fjerne en datapunkt eller reducere indsamlingsfrekvens – med begrundelsen dokumenteret.

Anden, dataanalyse. Når en prøve er i gang, ændrer det, hvad du havde planlagt at indsamle, en anden udfordring. Men AI kan hjælpe holdene med at skære igennem støjen hurtigere – hurtigere aggregation, mønsterdetektion og anomaliflagning betyder mindre tid på manuel proces. Det betyder her, fordi det giver holdene den agility til at identificere, om og hvor unødvendig dataindsamling faktisk påvirker prøven. Med sikre indsigt ankommer tidligere, kan de træffe justeringer, flagge problemet til forskningsteamet eller bygge sagen for en protokolændring til at strømline indsamlingsprocessen, mens der stadig er tid til at handle.

Dette er et strukturelt problem, der adresseres på to stadier: i design for at fange og fjerne kompleksitet, før det er låst i protokollen, og i analyse for at give holdene hastigheden til at identificere problemer og handle på dem, mens prøven er i gang.

Hvad er de største misforståelser om brugen af AI i kliniske prøver, og hvordan adresserer du dem med sponsorer og regulatører?

Den største misforståelse er tøven – antagelsen af, at sponsorer og regulatører ville modsætte sig AI i kliniske prøver. Dette afspejles ikke i vores erfaring.

På den reguleringsmæssige side har vores tidlige samtaler vist, at selvom regulatører er passende forsigtige med hensyn til at udgive retningslinjer, er de enkelte i disse organisationer åbne for at diskutere AI i kliniske prøver. Der er en generel anerkendelse af, at AI kan forbedre produktivitet, effektivitet og kvalitet – og en bevidsthed om, hvor meget redundans findes i denne industri.

På sponsorssiden har vi haft sponsorer, der har spurgt os om AI, før det blev introduceret i diskussioner. De var aktivt på udkig efter os til at finde og implementere disse løsninger. Dette er drevet af to faktorer: Først er sponsorer allerede i gang med at bruge nogle af disse værktøjer selv, så de forstår potentialet. Anden er, at de erkender, at AI-drevne effektiviteter kunne skære prøvetid, reducere omkostninger og forhindre problemer, der ellers ville være gået ubemærket. Vi har hørt fra flere sponsorer, at der er intern pres i deres organisationer for at demonstrere AI-brug for effektivitet.

En relateret bekymring er om AI og data, der bruges til at træne modeller. Branchen er under udvikling her, og modeludbydere er mere og mere klare om, hvordan deres brugsplaner fungerer. Vi er omhyggelige med at sikre, at de AI-værktøjer, vi bruger, ikke føder data ind i grundlæggende modeltræning. Vi er lige så omhyggelige med at træne vores egne modeller eller -metodologier – og hvor nogen gør dette, skal de være eksplicit om det i udtalelsen af arbejde mellem kunde og udbyder. Klart dokumentation af dataanvendelse og modeladfærd er påkrævet.

Så misforståelserne er virkelige, men de peger på en pligt til ansvarlighed: Vær klar over, hvor AI anvendes, hvordan data håndteres, og hvad sikkerhedsforanstaltninger er på plads. Det relevante spørgsmål for sponsorer ikke er, om de skal bruge AI i prøver – det er, om deres udbyder har tænkt disse spørgsmål igennem og er villig til at være transparent om det.

Hvordan balancerer du automation og menneskelig oversigt for at sikre både hastighed og kvalitet i prøvegennemførelse?

Vi er forsigtige med at bruge AI, hvor der ikke er mulighed for menneskelig gennemgang. Dette afspejles i vores kvalitetsdokumentation og AI-politik.

For at illustrere: Der er udbydere, der tilbyder chatbots, der vurderer patientens berettigelse gennem samtale. Denne type automation kræver langt mere omhyggelig overvejelse end de fleste anvendelser. I bedste fald vil AI fejltolkning af en patient, der ikke er berettiget til en prøve, der kunne have hjulpet dem. I værste fald kvalificerer det dem, signalerer til studiet, at de har bestået screening, og introducerer risiko i optagelse, der ikke burde have været der.

Menneskelig oversigt hjælper ikke her – når en menneskelig gennemgang af outputtet, har AI allerede handlet i en højrisikoworkflow. Sammenlign det med en fejl i en cases rapport: Hvis dataindsamling går galt, kan du justere instrumentet eller forkaste data. Men hvis AI siger en patient eller et forskningssite at udføre en handling, er potentialet for uoprettelig skade større – både i alvorlighed og sammenlignet med andre steder, hvor AI kan gå galt i en prøve.

Dette balance er opnåelig ved at fokusere på anvendelser, hvor menneskelig gennemgang er integreret og risici er håndterbare. AI er mest effektiv i workflows, hvor menneskelig gennemgang er indbygget og fejl er genskabelige.

Hvilke teknologier eller designprincipper er mest effektive til at reducere patientbelastning og forbedre retention?

Patientbelastning og retention kommer ned til små, bevidste skridt for at sikre en god oplevelse. Ingen enkelt intervention adresserer dette uafhængigt.

To designprincipper betyder mest.

Først, kvaliteten af patientorienteret indhold og grænseflader. Patientinformationsskemaet, samtykkeformularen, den applikation, de bruger under prøven – alle disse former oplevelsen. Kopien skal være enkel og koncis. Grænseflader skal være simple: intuitiv navigation, minimalt friktion, ingen begravde dokumenter. Patientforkampsrådgivning kan hjælpe med at finpudse disse materialer, før de når deltagerne. God brugeroplevelsesdesign betyder lige så meget her som andre steder, især i kliniske prøver, hvor du ikke har at gøre med millioner af brugere, der vil til sidst tilpasse sig.

Anden, hvordan forskningsteams forbliver forbundet med patienter. Dette indebærer kommunikationsværktøjer – påmindelser, invitationer, meddelelser – og overvågningsinfrastruktur, der overflader patientstatus, overholdelse og sikkerhedssignaler. Automatiserede overvågningsmanuskripter hjælper her, flagging, hvad der kræver opmærksomhed, så holdene kan reagere prompt. Maskinlæring kan detektere mønstre i overholdelsesdata – tidlige tegn på fravalg, før en patient dropper ud – og muliggør proaktiv intervention i stedet for reaktiv opfølgning. Målet er den rette information til de rette personer på det rette tidspunkt, uden støj, der udvander, hvad der betyder noget.

Disse forbedringer afhænger ikke af nyt teknologi, men de kommer heller ikke fra færdige løsninger. Det kræver opmærksomhed: forstå, hvor patienter rammer friktion, og adressere det bevidst. Hvad moderne AI-værktøjer tilbyder, er en måde at gøre dette hurtigere – finpudse kopien, gennemgå tone, automatisere overvågningsmanuskripter. Teknologien er moden. Forskellen er, om du løser for prøven eller løser for patienten.

Hvordan samler Lindus Health patientfeedback ind i prøvedesign, mens processen holdes lean og effektiv?

Privatlivs- og overholdelseskrav former, hvordan patientfeedback kan indsamles – tilgangen må fungere inden for disse grænser. Grundlæggende overvågning fanger service-op-time, anonymiseret brugsdata (enhedstype, applikationsadfærd), og overholdelsesmønstre – hvor konsekvent deltagerne gennemfører planlagte vurderinger. Når denne data overflader friktionspunkter, føder det ind i designbeslutninger for fremtidige prøver.

Den mere direkte integration kommer gennem forskningsteam. Koordinatorer opmuntres til at engagere sig med deltagerne og indsamle signaler omkring deres oplevelse, derefter føde det tilbage til det bredere team. Dette forstærkes kulturelt – patientoplevelsefeedback offentliggøres i fælles kanaler og nævnes på selskabets alle-hænder.

Der er også en strukturel fordel. I modsætning til den traditionelle model, hvor et nyt forskningsteam samles for hver studie, løber Lindus prøver på samme teknologi med teammedlemmer, der har arbejdet på tværs af multiple studier. Denne kontinuitet giver mulighed for, at læring – både kodificeret og implicit – kan flyde fra en prøve til designet af den næste. Når en koordinator møder friktion i en studie, kan denne indsigt informere, hvordan den næste studie sættes op.

Patientforkampsgrupper udvider dette yderligere, overflader perspektiver, der ikke ville komme gennem interne kanaler – især omkring, hvordan studiematerialer og -processer lander hos forskellige patientpopulationer.

Processen forbliver lean, fordi feedback flyder gennem eksisterende strukturer i stedet for at kræve en separat apparat til hver studie.

Hvad skal ændre sig branchewide for at klinisk forskning kan blive hurtigere og mere pålidelig?

Branchen har en strukturel træghed, der kræver, at praktikere opererer anderledes og demonstrerer alternative tilgange i praksis. Corporate innovationsprogrammer og direktiv har begrænset indvirkning på operationel ændring – hvad der er nødvendigt, er praktikere, der vil gøre tingene anderledes og bevise, at det fungerer.

Statistisk programmering illustrerer mønsteret. Dette er specialiseret arbejde – omformning af kliniske data til biostatistisk analyse – udført af specialister, der har dyb domæneekspertise. Men der er kampen for at tiltrække talent. Fagfolk med baggrund i datavidenskab eller ingeniørarbejde vælger sjældent dette, selvom kompetenceområderne overlapper betydeligt. Arbejdet forbliver isoleret, metoderne uigennemskuelige for udefrakommende, og talentpipelinen begrænset.

AI kunne åbne dette op – moderne værktøjer kan håndtere meget af transformationsarbejdet, og dobbelt programmeringskrav (hvor to programmører uafhængigt producerer output) kan opfyldes med AI-menneskelige par i stedet for menneske-menneske-par. Men teknologi alene løser ikke strukturelle problemer. Du behøver praktikere, der er villige til at implementere det omhyggeligt og bevise, at det opfylder reguleringsstandarder. Uden det forbliver kapaciteten underudnyttet.

Den bredere lære: Hurtigere, mere pålidelige prøver kræver mere end nye værktøjer. De kræver oprettelse af plads – i rekruttering, i reguleringsfortolkning, i organisationskultur – for mennesker, der vil arbejde anderledes. Dette er, hvordan tidsrammer kan reduceres i praksis.

Hvordan ser du forholdet mellem AI, data og prøvedesign udvikle sig over de næste fem år?

Forholdet vil blive formet af en strukturel realitet: AI’s effektivitet er begrænset af kvaliteten af konteksten, den modtager. Uden rig, præcis kontekst – hvor data kom fra, hvilke transformationer det undergik, hvad det faktisk betyder – selv stærke modeller producerer upålidelige outputs.

Det meste af den kliniske prøveindustri er fragmenteret. CRO’er ser fragmenter af prøvelivet. Sponsorer arbejder med multiple udbydere, hver med et stykke af billedet. Kontekst går tabt ved hver aflevering. Når du beder en AI-system om at resonere om prøvedata i denne kontekst, arbejder det med ufuldstændig information – og ufuldstændig information producerer upålidelige outputs.

De organisationer, der vil have mest ud af AI, er dem med slut til slut-sporebarhed. De kontrollerer datakæden fra protokoldesign til datafangst til analyse. De inférerer ikke kontekst – de genererer den. De designer former, definerer felter, skriver dataordbogen. Hver datapunkt har proveniens, fordi organisationen skabte proveniens. Denne sporebarhed er ikke kun operationel effektivitet – det er, hvad der giver mulighed for selvbevidste beslutninger, der påvirker patienter.

Over de næste fem år vil denne strukturelle fordel akkumulere. Organisationer med slut til slut-synlighed vil deployere AI mere effektivt – fra adaptive prøvedesign, der reagerer på indkommende data, til protokolfornyelse informeret af historiske mønstre – fange læring, der forbedrer deres systemer, og udvider gapet. Dem, der arbejder med fragmenterede data, vil finde AI lovende, men upålidelig: systemer, der fungerer godt i kontrollerede miljøer, men ikke generaliserer pålideligt i produktionsmiljøer.

Spørgsmålet for branchen er ikke, om AI vil have betydning. Det er, om den datainfrastruktur, der er nødvendig for at gøre AI troværdig, findes. For størstedelen af branchen er det ikke tilfældet endnu. Det er det arbejde, der ligger foran.

Tak for det gode interview. Læsere, der ønsker at lære mere om AI-naturlig klinisk prøvegennemførelse, slut til slut-dataejerskab og hurtigere studielevering, kan besøge Lindus Health.